論文の概要: Mitigating cold start problems in drug-target affinity prediction with interaction knowledge transferring

• arxiv url: http://arxiv.org/abs/2202.01195v1
• Date: Sun, 16 Jan 2022 09:28:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-06 11:52:47.041310
• Title: Mitigating cold start problems in drug-target affinity prediction with interaction knowledge transferring
• Title（参考訳）: 相互作用知識伝達による薬物親和性予測における冷間開始問題の緩和
• Authors: Tri Minh Nguyen, Thin Nguyen, Truyen Tran
• Abstract要約: マシンラーニングは、ドラッグターゲット親和性(DTA)問題で一般的に使用される。 これまでの研究は、教師なし学習を用いて、薬物や標的表現を学習することで、コールドスタート問題を解こうとしていた。 ケミカル・ケミカル・インタラクション(CCI)およびタンパク質・タンパク質相互作用(PPI)タスクから薬物・標的相互作用タスクへの移行学習を応用することを提案した。
• 参考スコア（独自算出の注目度）: 21.744555824342264
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motivation: Predicting the drug-target interaction is crucial for drug discovery as well as drug repurposing. Machine learning is commonly used in drug-target affinity (DTA) problem. However, machine learning model faces the cold-start problem where the model performance drops when predicting the interaction of a novel drug or target. Previous works try to solve the cold start problem by learning the drug or target representation using unsupervised learning. While the drug or target representation can be learned in an unsupervised manner, it still lacks the interaction information, which is critical in drug-target interaction. Results: To incorporate the interaction information into the drug and protein interaction, we proposed using transfer learning from chemical-chemical interaction (CCI) and protein-protein interaction (PPI) task to drug-target interaction task. The representation learned by CCI and PPI tasks can be transferred smoothly to the DTA task due to the similar nature of the tasks. The result on the drug-target affinity datasets shows that our proposed method has advantages compared to other pretraining methods in the DTA task.
• Abstract（参考訳）: 動機: 薬物と標的の相互作用を予測することは、薬物の発見だけでなく、薬物の再生産にも不可欠である。 機械学習は、薬物標的親和性(dta)問題で一般的に用いられる。 しかし、機械学習モデルは、新しい薬物や標的の相互作用を予測する際にモデルのパフォーマンスが低下するコールドスタート問題に直面している。 これまでの研究は、教師なし学習を用いて薬物や標的表現を学習することで、コールドスタート問題を解決することを試みる。 薬物や標的の表現は教師なしの方法で学べるが、それでも薬物と標的の相互作用において重要な相互作用情報を欠いている。 結果: 相互作用情報を薬物とタンパク質の相互作用に組み込むために, 化学化学相互作用(CCI)とタンパク質-タンパク質相互作用(PPI)タスクから薬物-標的相互作用への変換学習を用いた。 CCIタスクとPPIタスクによって学習された表現は、タスクの類似性のため、DTAタスクにスムーズに転送することができる。 薬物標的親和性データセットの結果,提案手法はDTAタスクにおける他の事前学習法と比較して利点があることがわかった。

関連論文リスト

• A Cross-Field Fusion Strategy for Drug-Target Interaction Prediction [85.2792480737546]
  既存の方法は、DTI予測中にグローバルなタンパク質情報を利用することができない。 ローカルおよびグローバルなタンパク質情報を取得するために、クロスフィールド情報融合戦略が採用されている。 SiamDTI予測法は、新規薬物や標的に対する他の最先端(SOTA)法よりも高い精度を達成する。
  論文  参考訳（メタデータ） (2024-05-23T13:25:20Z)
• DTIAM: A unified framework for predicting drug-target interactions, binding affinities and activation/inhibition mechanisms [9.671391525450716]
  薬物と標的間の相互作用, 結合親和性, 活性化・抑制機構の予測を目的とした統合フレームワークDTIAMを導入する。 DTIAMは、自己指導型事前学習を通じて大量のラベルなしデータから薬物および標的表現を学習する。 すべてのタスク、特にコールドスタートシナリオにおいて、最先端の他のメソッドよりも大幅にパフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-12-23T13:27:41Z)
• Emerging Drug Interaction Prediction Enabled by Flow-based Graph Neural Network with Biomedical Network [69.16939798838159]
  本稿では,新興医薬品の相互作用を効果的に予測できるグラフニューラルネットワーク(GNN)であるEmerGNNを提案する。 EmerGNNは、薬物ペア間の経路を抽出し、ある薬物から他の薬物へ情報を伝達し、関連する生物学的概念を経路に組み込むことで、薬物のペアワイズ表現を学習する。 全体として、EmerGNNは、新興薬物の相互作用を予測する既存のアプローチよりも精度が高く、バイオメディカルネットワーク上で最も関連性の高い情報を特定できる。
  論文  参考訳（メタデータ） (2023-11-15T06:34:00Z)
• PGraphDTA: Improving Drug Target Interaction Prediction using Protein Language Models and Contact Maps [4.590060921188914]
  薬物発見の鍵となる側面は、新規な薬物標的相互作用(DT)の同定である。 タンパク質-リガンド相互作用は結合親和性として知られる結合強度の連続性を示す。 性能向上のための新しい改良を提案する。
  論文  参考訳（メタデータ） (2023-10-06T05:00:25Z)
• SynerGPT: In-Context Learning for Personalized Drug Synergy Prediction and Drug Design [64.69434941796904]
  本稿では,テキスト内薬物相乗学習のための新しい設定とモデルを提案する。 特定のがん細胞標的の文脈における10～20の薬物相乗関係の「個人化データセット」を作成した。 私たちの目標は、その文脈で追加の薬物シナジー関係を予測することです。
  論文  参考訳（メタデータ） (2023-06-19T17:03:46Z)
• Drug-target affinity prediction method based on consistent expression of heterogeneous data [0.0]
  深層学習モデルを用いた薬物-標的結合親和性予測手法を提案する。 提案モデルでは,DAVISおよびKIBAデータセット上での薬物-標的結合親和性予測の精度と有効性を示す。
  論文  参考訳（メタデータ） (2022-11-13T02:58:03Z)
• SSM-DTA: Breaking the Barriers of Data Scarcity in Drug-Target Affinity Prediction [127.43571146741984]
  薬物標的親和性(DTA)は、早期の薬物発見において極めて重要である。 湿式実験は依然として最も信頼性の高い方法であるが、時間と資源が集中している。 既存の手法は主に、データ不足の問題に適切に対処することなく、利用可能なDTAデータに基づく技術開発に重点を置いている。 SSM-DTAフレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-06-20T14:53:25Z)
• Associative Learning Mechanism for Drug-Target Interaction Prediction [6.107658437700639]
  薬物-標的親和性(DTA)は薬物-標的相互作用(DTI)の強さを表す 従来の手法では、DTA予測プロセスの解釈可能性に欠けていた。 本稿では,対話型学習と自動エンコーダ機構を備えたDTA予測手法を提案する。
  論文  参考訳（メタデータ） (2022-05-24T14:25:28Z)
• Improved Drug-target Interaction Prediction with Intermolecular Graph Transformer [98.8319016075089]
  本稿では,3方向トランスフォーマーアーキテクチャを用いて分子間情報をモデル化する手法を提案する。 分子間グラフ変換器(IGT)は、それぞれ、結合活性と結合ポーズ予測の2番目のベストに対して、最先端のアプローチを9.1%と20.5%で上回っている。 IGTはSARS-CoV-2に対して有望な薬物スクリーニング能力を示す。
  論文  参考訳（メタデータ） (2021-10-14T13:28:02Z)
• An Interpretable Framework for Drug-Target Interaction with Gated Cross Attention [4.746451824931381]
  本研究では,インタラクションサイトに対して適切な手がかりを提供するための,新しい解釈可能なフレームワークを提案する。 我々は,これらの特徴間の明示的な相互作用を構築することにより,薬物と標的の特徴を相互に関与するゲート・クロス・アテンション・メカニズムを精巧に設計する。 実験の結果,2つのDTIデータセットにおける提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2021-09-17T05:53:40Z)
• Two Step Joint Model for Drug Drug Interaction Extraction [82.49278654043577]
  薬物と薬物の相互作用 (DDI) テキスト分析会議 (TAC) 2018における薬物ラベルからの抽出 本稿では,DDI検出のための2段階関節モデルを提案する。 シーケンスタギングシステム(CNN-GRUエンコーダデコーダ)は、まず沈殿剤を発見し、その微細なトリガーを探索し、第2ステップで沈殿剤毎のDDIを決定する。
  論文  参考訳（メタデータ） (2020-08-28T15:30:08Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。